平稳时间序列建模带程序.ppt

例3.9——序列偏自相关图 例3.9——拟合模型识别 样本自相关图显示除了延迟1-3阶的自相关系数在2倍标准差范围之外，其他阶数的自相关系数都在2倍标准差范围内波动。根据自相关系数的这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。 考察自相关系数衰减向零的过程，可以看到有明显的正弦波动轨迹，这说明自相关系数衰减到零不是一个突然的过程，而是一个有连续轨迹的过程，这是相关系数拖尾的典型特征 考察偏自相关系数衰减向零的过程，除了1-2阶偏自相关系数在2倍标准差范围之外，其他阶数的自相关系数都在2倍标准差范围内做小值无序波动，这是一个典型的相关系数2阶截尾特征 本例中，根据自相关系数拖尾，偏自相关系数2阶截尾属性，我们可以初步确定拟合模型为AR(2)模型。 案例分析————例3.9拟合模型 确定1950年－2008年我国邮路及农村投递线路每年新增里程数序列拟合模型的口径。 拟合模型：AR(2) 估计方法：极大似然估计 模型口径 例3.9——模型显著性检验检验 检验1950年－2008年我国邮路及农村投递线路每年新增里程数序列拟合模型的显著性 残差白噪声序列检验结果 延迟阶数 LB统计量 P值 检验结论 6 2.34 0.6736 拟合模型显著有效 12 3.27 0.9744 18 4.07 0.9988 例3.9——参数显著性检验 检验1950年－2008年我国邮路及农村投递线路每年新增里程数序列拟合模型参数的显著性 参数检验结果 检验参数 t统计量 P值 结论 3.50 0.0005 显著非零 6.46 0.0001 显著非零 -4.75 0.0001 显著非零 案例分析之二————例3.10 美国科罗拉多州某一加油站连续57天的OVERSHORT序列 例3.10——白噪声检验结果 例3.10——序列自相关图 3.3平稳序列建模 本节结构 建模步骤 模型识别 参数估计 模型检验 模型优化 序列预测 建模步骤 平 稳 非 白 噪 声 序 列 计 算 样 本 相 关 系 数 模型 识别 参数 估计 模型 检验 模 型 优 化 序 列 预 测 Y N 建模步骤——计算样本相关系数 样本自相关系数 样本偏自相关系数 平稳性检验、纯随机检验SAS程序实现 proc arima data=数据集名称; identify var=变量名称; run; 该命令后会输出以下信息： 1、分析变量的描述统计； 2、样本自相关图； 3、样本逆自相关图； 4、样本偏自相关图； 5、纯随机检验结果。 建模步骤————模型识别 基本原则 选择模型 拖尾 P阶截尾 AR(P) q阶截尾 拖尾 MA(q) 拖尾 拖尾 ARMA(p,q) 模型定阶的困难 因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动 当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 样本相关系数的近似分布 Barlett Quenouille 模型定阶经验方法 95％的置信区间 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 建模步骤————参数估计 待估参数 个未知参数 常用估计方法 矩估计 极大似然估计 最小二乘估计 参数估计方法————矩估计 原理 样本自相关系数估计总体自相关系数 样本一阶均值估计总体均值，样本方差估计总体方差 例3.12:求AR(2)模型系数的矩估计 AR(2)模型 Yule-Walker方程 矩估计（Yule-Walker方程的解） 例3.13:求MA(1)模型系数的矩估计 MA(1)模型 方程 矩估计 例3.14:求ARMA(1,1)模型系数的矩估计 ARMA(1,1)模型 方程 矩估计 对矩估计的评价 优点 估计思想简单直观 不需要假设总体分布 计算量小（低阶模型场合） 缺点 信息浪费严重 只用到了p+q个样本自相关系数信息，其他信息都被忽略 估计精度差 通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值 参数估计方法————极大似然估计 原理 在极大似然准则下，认为样本来自使该样本出现概率最大的总体。因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达